自工业革命之后，人类社会的生产力增长呈现出显著的非均衡性。制造业凭借资本深化、自动化流水线以及标准化的技术进步，实现了劳动生产率的指数级攀升。然而，作为现代经济半壁江山的服务业，却长期受困于威廉·鲍莫尔（William Baumol）在20世纪60年代提出的“成本病”假说。该理论指出，由于教育、医疗、表演艺术等服务业部门高度依赖劳动投入，且生产与消费具有同时性，技术进步难以有效替代人工，导致其生产率增速长期滞后于制造业。“停滞部门”的存在不仅推高了服务价格，更由于劳动力向该部门的转移，在宏观上拖累了全要素生产率的整体提升。

　　进入数字经济时代，尽管互联网和数字化技术在一定程度上降低了信息搜寻成本，但并未从根本上改变服务业“劳动密集型”的要素组合特征。然而，随着以大模型为代表的生成式AI的突破性进展，这一局面正在发生质的转变。不同于以往主要替代体力劳动或简单重复性脑力劳动的技术浪潮，生成式AI开始具备处理非结构化数据、理解复杂语境并生成创造性内容的通用认知能力。这标志着技术进步的边界从蓝领任务拓展至白领任务，从手臂的延伸跃升为大脑的扩展。

　　认知劳动的规模化：

　　突破工时约束的生产函数重构

　　“鲍莫尔病”的核心症结在于服务业所面临的工时约束（Man-hour Constraint）。传统模式下，一位资深律师起草一份合同、一位心理医生进行一次诊疗，其产出严格受限于投入的时间。单位时间内，服务产出的数量和质量很难像工业品那样通过增加机器设备来实现倍增。然而，生成式AI的介入使得以知识和符号处理为核心的服务环节，首次具备了工业化大规模生产的可能。

　　生成式人工智能通过将依赖直觉与经验的隐性知识显性化，成功突破了强调“所知多于所言”的波兰尼悖论，打破了长期制约服务业自动化的核心技术瓶颈。基于海量数据的预训练大模型，通过对人类语言逻辑和行为模式的深度概率学习，成功将这种非结构化的隐性知识转化为可计算、可生成的显性算法。这使得原本需要由高技能劳动者亲力亲为的文案撰写、代码编写、初步医疗诊断等工作，能够以极低的边际成本由AI智能体完成。在经济学意义上，这是将原本属于可变成本的高技能劳动转化为用于模型训练与部署的固定成本，远非简单的劳动替代。而一旦跨过这一固定成本门槛，服务产出的边际成本将迅速趋近于零，从而呈现出强劲的规模报酬递增特征。

　　生成式AI改变了服务业生产函数中资本与劳动的替代弹性。在传统服务业生产函数中，资本与劳动往往是互补品，例如医生需要听诊器，教师需要黑板和粉笔，资本的投入无法脱离劳动者的操作而独立产出价值。生成式AI则表现出独特的“任务偏向型”技术特征，能够作为一种独立的新型资本要素直接替代人类完成特定的认知任务。根据任务模型理论，AI将原本属于劳动范畴的任务剥离出来，转由算法执行。如此一来，不仅释放了人类劳动者的时间，使其能够专注于那些AI尚无法处理、具有更高情感价值或复杂决策权的任务。更重要的是，它使得服务业的产出不再线性依赖于劳动力的增加，从而在微观机制上消解了导致“鲍莫尔病”的要素刚性。

　　非贸易品的贸易化：

　　重塑服务业的市场边界与竞争结构

　　“鲍莫尔病”的一个重要推论是，由于生产率增长缓慢，服务业产品的相对价格会持续上升。这一现象在很大程度上源于服务业的“不可贸易性”——传统的服务往往要求生产者与消费者在特定的时空内同时在场，难以像工业品那样进行跨区域、跨国界的远距离贸易。这既限制了竞争，也阻碍了专业化分工的深化。生成式AI正在通过一种深层的数字化转译机制，将大量的非贸易性服务转化为可贸易的数字资产，从而彻底改变服务业的市场结构与价格形成机制。

　　一方面，生成式AI极大地降低了服务业的距离成本和语言成本，推动了服务的可贸易化进程。借助实时精准的机器翻译和多模态生成能力，优质的教育资源、法律咨询、金融分析等服务可以瞬间跨越语言和地理的障碍，以数字化的形式交付给全球消费者。这种变化使得服务业开始具备制造业的特征：产品标准化程度提高，市场竞争范围从本地扩展至全球。根据国际贸易理论，市场范围的扩大将直接引致分工的深化和生产率的提升。高效率的服务提供者将迅速占领市场，淘汰低效率的供给者，从而在行业层面提升整体的全要素生产率。

　　另一方面，生成式AI通过对长尾效应的深度挖掘，平抑了高端服务的稀缺性溢价。在传统服务市场中，优质医疗、资深投顾等高端服务由于供给稀缺、价格高昂，往往只能服务于少数群体。生成式AI则通过对顶级专家知识的蒸馏、复制与分发，使得高质量的服务供给曲线大幅右移，呈现出供给弹性显著增加的特征。这不仅意味着普通消费者能够以低廉的价格享受到过去仅限于高端市场的服务，更意味着服务业的价格机制将逐渐脱离单纯的劳动力成本定价，转向基于算力成本和数据价值的定价体系。

　　互补性创新与人机协同：

　　迈向高质量发展的服务经济新范式

　　虽然生成式AI在技术逻辑上为破解“鲍莫尔病”提供了充分条件，但经济史的经验表明，由于新技术的引入需要与之相适应的组织资本积累、人力资本投资以及制度环境的优化，重大技术变革转化为现实生产率的提升往往存在时间滞后性。因此，服务业生产率的真正跃迁不仅取决于技术的引进，更取决于生产关系的适应性调整。

　　首先，组织形式需要从科层制向人机协同的网状结构演进。在生成式AI介入后，服务业企业的核心竞争力将不再单纯取决于拥有多少员工，而在于如何构建高效的“人+AI”协作流。传统以人为核心的线性工作流将被“AI生成初稿—人类审核优化—AI迭代修正”的循环工作流所取代。这种变革要求企业进行深度的流程再造，打破部门壁垒，建立适应算法驱动的敏捷组织。

　　其次，劳动力结构面临去技能化与再技能化的辩证统一。生成式AI虽然替代了部分常规认知技能，但也降低了许多复杂任务的准入门槛。在这一过程中，劳动者的核心职能将从操作执行转向指令设计和价值判断。因此，服务业生产率的提升路径并非简单地用机器替代人类，而是通过教育培训体系的改革，增加与AI互补的人力资本供给。这种人机共生的新型生产关系，将激发出单纯依靠人或单纯依靠机器都无法实现的创新涌现，为经济增长注入源源不断的内生动力。

　　最后，数据要素的制度安排是保障生产率持续增长的关键。在人工智能时代，数据已成为服务业最重要的生产资料。不同于土地、资本等传统要素，数据具有非竞争性和规模报酬递增的特性。要释放生成式AI的潜力，就必须建立清晰的数据产权界定机制、合理的收益分配机制以及包容审慎的监管框架。因此，构建适应数字生产力的生产关系，特别是完善数据要素市场的基础制度建设，是确保服务业生产率跃迁具有可持续性的制度保障。

　　（作者系中央财经大学经济学院教授）